Titre : Classification de variables et analyse multivariée de données mixtes issues d’une étude BCI Auteurs : Jérôme Saracco, Marie Chavent, Liliana Audin-Garcia, Véronique Lespinet-Najib, Ricardo Ron-Angevin, Revue : Ingénierie cognitique Numéro : Numéro 1 Volume : 2 Date : 2018/12/18 DOI : 10.21494/ISTE.OP.2018.0311 ISSN : 2517-6978 Résumé : L’objectif de ce travail est de traiter des données complexes issues de la technique des Brain Computer Interfaces (BCI) au moyen de méthodes statistiques multivariées (approche PCAmix et classification de variables) afin de mieux comprendre et interpréter les relations qui existent entre elles. Cet article présente ainsi la classification de variables qui a pour but de réunir des variables fortement liées entre elles. L’approche proposée fonctionne avec des données mixtes, c’est à dire des données contenant des variables numériques et des variables catégorielles. Deux algorithmes de classification de variables sont décrits : un de classification hiérarchique et un autre de partitionnement de type k-means. Une rapide description de la méthode PCAmix (qui permet de faire de l’analyse en composantes principales pour des données mixtes) est fournie, vu que le calcul des variables synthétiques résumant les classes de variables obtenues est fondé sur cette méthode multivariée. Enfin, les approches PCAmix et ClustOfVar (implémentées dans les packages R ClustOfVar et PCAmixdata) sont mises en oeuvre sur les données réelles issues de l’étude BCI. Des recommandations, reposant non seulement sur des critères de performances, d’efficience mais aussi de satisfaction, ont pu être faites concernant le choix d’interface dans l’usage des claviers virtuels, notamment pour des personnes avec des problèmes moteurs tels que la maladie de Charcot. Éditeur : ISTE OpenScience